Lars
ba57e8b43f
All checks were successful
Deploy mindnet to llm-node / deploy (push) Successful in 12s
Reviewed-on: #6 # Merge Request: WP-10 (Chat Interface & Frontend Architecture) **Branch:** `feature/WP10-chat-interface` → `main` **Status:** ✅ Ready for Merge **Version Bump:** v2.3.1 → v2.3.2 ## Zusammenfassung Dieser Merge führt das **Web-Frontend (Streamlit)** ein. Damit wird Mindnet von einer reinen Terminal-Applikation zu einem interaktiven System mit grafischer Benutzeroberfläche. Das Frontend visualisiert die Entscheidungen der **Decision Engine** (WP-06) und ermöglicht strukturiertes Feedback für das zukünftige **Self-Tuning** (WP-08). ## 🚀 Neue Features (User Perspective) * **Web Chat UI:** ChatGPT-ähnliches Interface mit persistenter History. * **Intent Visualisierung:** Badges zeigen an, in welchem Modus (FACT, DECISION, EMPATHY) das System antwortet und *warum* (Keyword vs. LLM). * **Transparent Sources:** Verwendete Quellen werden als expandierbare Karten unter der Antwort angezeigt, inkl. "Why"-Erklärung. * **Feedback Loop:** * **Global (Antwort):** 1-5 Sterne Rating. * **Granular (Quellen):** Faces-Rating (Mapped auf Score 1-5) für spezifische Chunks. ## 🛠️ Technische Änderungen (Backend/Infra) * **Neue Komponente:** `app/frontend/ui.py` (Streamlit App). * **Dependencies:** `streamlit` zu `requirements.txt` hinzugefügt. * **Deployment:** Konfiguration für getrennte Services in Prod und Dev: * **PROD:** Backend `:8001` ↔ Frontend `:8501` * **DEV:** Backend `:8002` ↔ Frontend `:8502` * **Logging:** Integration der Feedback-Logik in `data/logs/feedback.jsonl`. ## ⚠️ Deployment Hinweise Nach dem Merge müssen auf dem Server folgende Schritte ausgeführt werden: 1. **Dependencies:** `pip install -r requirements.txt` (für Streamlit). 2. **Systemd:** Neue Service-Files für die UI anlegen (`mindnet-ui-prod.service`). 3. **Firewall:** Port `8501` (Prod) und `8502` (Dev) in `ufw` freigeben. ## Checkliste - [x] UI startet und verbindet sich mit API. - [x] Chat-Flow (Request/Response) funktioniert. - [x] Intent-Badge zeigt korrekte Source an. - [x] Feedback wird in `feedback.jsonl` geschrieben. - [x] Dokumentation (Admin Guide, User Guide, Arch) ist aktualisiert. |
||
|---|---|---|
| .gitea/workflows | ||
| .vscode | ||
| app | ||
| config | ||
| docker | ||
| docs | ||
| Programmmanagement | ||
| schemas | ||
| scripts | ||
| tests | ||
| vault | ||
| README.md | ||
| requirements.txt | ||
mindnet API (bundle)
This bundle provides a minimal FastAPI app for embeddings and Qdrant upserts/queries plus a Markdown importer.
Quick start
python3 -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
# Environment (adjust as needed)
export QDRANT_URL=http://127.0.0.1:6333
export MINDNET_PREFIX=mindnet
export MINDNET_MODEL=sentence-transformers/all-MiniLM-L6-v2
# Run API
uvicorn app.main:app --host 0.0.0.0 --port 8001 --workers 1
# (optional) Ensure collections exist (or use setup_mindnet_collections.py you already have)
# python3 scripts/setup_mindnet_collections.py --qdrant-url $QDRANT_URL --prefix $MINDNET_PREFIX --dim 384 --distance Cosine
# Import some notes
python3 scripts/import_markdown.py --vault /path/to/Obsidian
Endpoints
POST /embed→{ "texts": [...] }→ 384-d vectorsPOST /qdrant/upsert_notePOST /qdrant/upsert_chunkPOST /qdrant/upsert_edgePOST /qdrant/query→ semantic search over chunks with optional filters
See scripts/quick_test.sh for a runnable example.
Anmerkung: Diese Datei ist veraltet